基于深度有损加残差编码的无损与近无损图像压缩
信息论
2022-09-13 v1 math.IT
摘要
无损与近无损图像压缩对医学、遥感、精密工程与科学研究等诸多技术领域的专业用户至关重要。但尽管基于学习的图像压缩研究兴趣快速增长，尚无已发表方法同时提供无损与近无损模式。本文中，我们提出一个统一且强大的深度有损加残差(DLPR)编码框架，用于无损与近无损图像压缩。在无损模式下，DLPR编码系统首先执行有损压缩，然后对残差进行无损编码。我们在VAE方法下解决联合有损与残差压缩问题，并加入残差的自回归上下文建模以增强无损压缩性能。在近无损模式下，我们对原始残差进行量化以满足给定 ℓ∞ 误差界，并提出一种可适用于可变 ℓ∞ 界的可扩展近无损压缩方案，而非训练多个网络。为加速DLPR编码，我们通过新颖的编码上下文设计提高了算法并行度，并利用自适应残差区间加速熵编码。实验结果表明，DLPR编码系统以具竞争力的编码速度实现了当前最优的无损与近无损图像压缩性能。
引用
@article{arxiv.2209.04846,
title = {Joint Activity Detection and Channel Estimation for Massive IoT Access Based on Millimeter-Wave/Terahertz Multi-Panel Massive MIMO},
author = {Hanlin Xiu and Zhen Gao and Anwen Liao and Yikun Mei and Dezhi Zheng and Shufeng Tan and Marco Di Renzo and Lajos Hanzo},
journal= {arXiv preprint arXiv:2209.04846},
year = {2022}
}
备注
accepted by IEEE Transactions on Vehicular Technology